Der Algorithmus ermöglicht es Landwirten, ihre Ernte in Echtzeit zu überwachen

Dank eines neuartigen Algorithmus von Forschern des Geospatial Sciences Center of Excellence der South Dakota State University können Landwirte in den gesamten Vereinigten Staaten ihre Ernte in Echtzeit überwachen.

Vor zwei Jahren begannen Yu Shen, wissenschaftlicher Mitarbeiter am GSCE, und Xiaoyang Zhang, Professor am Institut für Geographie und Geowissenschaften und Co-Direktor am GSCE, zu untersuchen, ob es möglich wäre, die Pflanzenüberwachung effizienter zu gestalten.

„Früher wurde der Erntefortschritt durch visuelle Betrachtung der Pflanzen überwacht“, erklärte Shen.

Für die Überwachung von Kulturpflanzen sind derzeit rund 5.000 Reporter aus den gesamten USA erforderlich, die wöchentlich Umfragen auf der Grundlage der visuellen Beobachtungen von Feldern in ihrem Landesteil ausfüllen.

Basierend auf Standarddefinitionen schätzen Reporter den Fortschritt von Pflanzen in ihren Entwicklungsstadien ein und geben gleichzeitig subjektive Bewertungen der Pflanzenbedingungen ab. Diese Umfragen werden dann an den National Agricultural Statistics Service übermittelt, der wöchentliche Erntefortschrittsberichte erstellt, die nach Bundesstaaten kategorisiert sind.

Landwirte verlassen sich auf diese Berichte, die derzeit die besten feldbasierten Erntefortschrittsinformationen sind, die auf regionaler bis bundesstaatlicher Ebene verfügbar sind und vom US-Landwirtschaftsministerium verteilt werden.

Dieser Prozess ist zwar ziemlich genau, aber zeitaufwändig, kostspielig und subjektiv.

Shen und Zhang glaubten, dass zeitnahe Satellitenfernerkundungsdaten genutzt werden könnten, um ein effizienteres Überwachungssystem zu schaffen. Satellitenbeobachtungen werden seit langem zur Analyse der historischen Pflanzenphänologie – der Entwicklungsstadien des Pflanzenwachstums, von der Pflanzung bis zur Ernte – eingesetzt. Der Einsatz dieser Methoden zur Entwicklung eines nahezu in Echtzeit arbeitenden Pflanzenüberwachungssystems wurde jedoch noch nicht umfassend untersucht.

„Wir dachten, wir könnten die Pflanzenüberwachung verbessern, indem wir sie zeit- und kosteneffizienter machen“, sagte Shen. „Wir haben vorgeschlagen, zeitnahe Satellitenbeobachtungen zu nutzen, um einen Betriebsalgorithmus zu entwickeln.“

Durch die Kombination von räumlichen 30-Meter-Beobachtungen der polarumlaufenden Satelliten Landsat und Sentinel-2 und zeitlichen Beobachtungen des geostationären Satelliten konnte das Forschungsteam die räumliche und zeitliche Entwicklung der Pflanzengrünheit für betriebsbereite Pflanzen nahezu in Echtzeit berechnen Überwachung.

Diese Studie war veröffentlicht im Tagebuch Fernerkundung der Umwelt.

„Unsere Ergebnisse liefern ein genaues Timing für die Pflanzenphänologie“, sagte Shen. „Diese Informationen können Landwirten bei der Bewirtschaftung ihrer Pflanzen helfen.“

Im Gegensatz zu früheren Arbeiten kann dieser neuartige Algorithmus das Pflanzenwachstum auf einer Feldebene von 30 Metern überwachen.

Es können sechs Daten für die Übergangsstadien des Pflanzenwachstums berechnet werden: Beginn der Vegetationsperiode (Beginn des Grünwachstums), Mitte des Frühlings (Datum der mittleren Grünphase), Beginn der Reife (Beginn des Grünwachstums nähert sich dem Maximum) und Beginn des Herbstes (Beginn der Grünfärbung beginnt abzunehmen), die Mitte des Herbstes (Datum der mittleren Seneszenzphase) und das Ende der Vegetationsperiode (Beginn der Grünfärbung erreicht das Minimum) – bevor das phänologische Ereignis mit zunehmender Genauigkeit um und nach dem Ereignis auftritt .

Diese Übergangstermine werden verwendet, um die Wachstumsstadien von Pflanzen zu bestimmen, z. B. den Zeitpunkt der Pflanzung, des Auflaufens, des Seidenmachens, des Teigs, der Delle, der Reife und der Ernte für Mais.

Das Forschungsteam verbrachte viel Zeit damit, die Ergebnisse des Algorithmus zu validieren, indem es die Vorhersagen mit tatsächlichen Bodenmessungen aus der Mais- und Sojabohnen-Anbausaison 2020 in Iowa verglich. Sie fanden heraus, dass die Echtzeit-Vorhersagefähigkeiten mit den Fortschrittsberichten (verteilt vom USDA) aus demselben Jahr übereinstimmten.

„Mit den Vorhersagen für jedes Feld bietet die Überwachung der Pflanzenphänologie nahezu in Echtzeit zuverlässige, räumlich verteilte Informationen zum Erntefortschritt von lokalen Feldern bis zum gesamten Bundesstaat“, sagte Shen. „Dies ist eine große Verbesserung im Vergleich zur Berichterstattung über den Erntefortschritt des National Agricultural Statistics Service auf staatlicher Ebene.“

Die Ergebnisse dieses Algorithmus werden genaue Messungen der Pflanzenphänologie liefern, sagte Shen, die Landwirte bei ihrem Pflanzenmanagement unterstützen werden.

„Zum Beispiel liefert unser Algorithmus den Zeitpunkt, wann die Ernte ihr Maximum erreicht“, sagte Shen. „Diese Phase ist das Zeitfenster, in dem die Landwirte ihre Bewässerung durchführen sollten. Wir werden in der Lage sein, vorherzusagen, wann diese Phase eintreten wird, bevor sie eintritt. Sie werden in der Lage sein, ihre Bewässerung im Voraus zu planen.“

Shen geht davon aus, dass die Informationen auch dabei helfen werden, die Ertragsgröße vor der Ernte abzuschätzen.

Zhang weist darauf hin, dass der Algorithmus mit operativen Computercodes ein neues Geodatentool zur Überwachung des Erntefortschritts und -zustands nahezu in Echtzeit werden soll. Dieses Tool wird schließlich an das USDA geliefert, um es in bestehende Betriebssysteme zu integrieren und für eine breite Nutzung zu nutzen. Benutzer können die Erntebedingungen einzelner Felder auf einer interaktiven Karte sehen.

Zukünftige Forschungsrichtungen werden darin bestehen, dass das Team nach Möglichkeiten sucht, die Genauigkeit des Algorithmus für kurzfristige Vorhersagen zu verbessern. Anwendungen dieses Geodatentools auf nationaler und globaler Ebene könnten zur Bewertung der weltweiten Ernährungssicherheit beitragen.